一种基于机器学习的雷达目标定位方法与流程

本申请涉及信号处理技术领域，具体涉及雷达目标检测和识别领域，尤其涉及一种基于机器学习的雷达目标定位方法，该方法可用于雷达动目标检测、动目标定位与跟踪等。

背景技术：

现有雷达系统基于较为严格的理论模型和传统的信号处理手段，主要存在以下问题：(1)复杂环境建模困难，系统误差累积，高稳健性难以实现；(2)线性周期处理方式(如傅里叶变换等)，解模糊(距离模糊、多普勒模糊、相位模糊、速度模糊等)需要复杂的运算和昂贵的硬件成本；(3)雷达系统复杂，通用性差、可移植性较弱，升级改造周期长。

近年来，随着大数据和计算能力的提升，又掀起了以机器学习、深度学习为代表的人工智能浪潮。利用机器学习技术，将雷达处理过程等效为“黑盒”，通过训练神经网络，直接构建原始回波数据或距离脉压域数据与输出信息的非线性关系，可实现以下功能：(1)利用包含环境和系统误差的数据进行训练，提高系统稳健性；(2)非线性处理解模糊；(3)系统架构呈现模块化，可移植性强、可实现快速升级。因此，研究基于机器学习的雷达目标定位方法具有重要意义。

技术实现要素：

本申请的目的在于针对上述已有技术的不足，提出一种基于机器学习的雷达目标定位方法，以提高系统实现的稳健性和快速移植能力。

本申请提供了一种基于机器学习的雷达目标定位方法，所述方法包括：对利用沿航迹双通道合成孔径雷达SAR接收的目标回波信号和进行距离向脉压处理，得到双通道距离脉压域信号和其中，为快时间，tm为慢时间，R0为目标到雷达平台运行轨道的最近距离，x0为所述目标在tm＝0时刻相对于所述雷达平台的方位位置；将所述双通道距离脉压域信号和进行共轭相乘，得到干涉矩阵其中，是的共轭矩阵；对所述干涉矩阵进行取相位操作，计算得到干涉相位矩阵其中，angle[·]表示取相位操作；将所述干涉相位矩阵中每个距离单元对应的干涉相位矢量依次输入神经网络，得到对应距离单元的目标运动属性值M和所述目标相对于所述雷达平台的方位位置x0，即得到每个距离单元是否存在运动目标及运动目标的方位位置。

在一些实施例中，所述基于机器学习的雷达目标定位方法，还包括：预先构建并训练基于误差后向传播BP的所述神经网络。

在一些实施例中，所述预先构建并训练基于误差后向传播BP的所述神经网络，包括如下步骤：

(1)设定目标的目标参数(x0,R0,vr,va)和沿航迹双通道合成孔径雷达SAR的系统参数，其中，所述目标是指用于训练所述神经网络的目标，包含运动目标和静止目标，R0为所述目标到雷达平台运行轨道的最近距离，x0为所述目标在tm＝0时刻相对于所述雷达平台的方位位置，tm为慢时间，vr和va分别为所述目标的径向速度和方位向速度；

(2)根据所述目标参数和所述系统参数，生成所述目标的距离脉压域的双通道仿真信号和并计算目标运动属性值，其中，为快时间，如果所述目标的径向速度vr和方位向速度va同时为零，则设所述目标运动属性值M＝0，否则，设置M＝1；

(3)根据所述目标的双通道仿真信号和计算得到所述目标所在距离单元的数据矢量s1′(tm,x0)和s2′(tm,x0)；

(4)将s1′(tm,x0)和s′2(tm,x0)共轭相乘，计算所述目标的干涉相位矢量；

(5)构建所述神经网络，计算所述目标的干涉相位矢量的长度L，设定所述神经网络的输入节点的个数等于L、输出节点的个数等于2、隐含层节点的个数等于其中，表示求平方根运算，floor(·)表示向下取整运算，初始化训练次数T＝0；

(6)将所述干涉相位矢量作为所述神经网络的输入数据，将所述目标运动属性值M和所述目标相对于所述雷达平台的方位位置x0作为所述神经网络的标签数据，即将M和x0作为所述神经网络的输出，利用最速下降法完成一次神经网络训练，更新训练次数T＝T+1；

(7)如果T<L²，则更新所述目标参数(x0,R0,vr,va)的值，系统参数不变，按照步骤(2)至步骤(4)重新生成所述目标的运动属性值和干涉相位矢量，再按照步骤(6)执行一次神经网络训练；否则，完成所述神经网络的训练。

在一些实施例中，所述根据所述目标参数和沿航迹双通道合成孔径雷达SAR的系统参数，生成所述目标的距离脉压域的双通道仿真信号和包括：

(1)不考虑由于所述目标的速度导致的距离徙动影响，按照如下公式计算所述目标至所述雷达平台的瞬时斜距R1和R2：

其中，R0为所述目标到所述雷达平台运行轨道的最近距离，vr为所述目标的径向速度，tm为慢时间，x0为所述目标在tm＝0时刻相对于雷达平台方位位置，vs为所述雷达平台的运行速度，va为所述目标的方位向速度，d为沿航迹双通道的间距。

(2)按照如下公式计算所述目标的距离脉压域的双通道仿真信号和

其中，A为所述目标距离脉压域的信号幅度，Br为发射线性调频信号带宽，为快时间，c为光速，λ为发射载波中心频率对应的波长，R1和R2为所述目标至雷达平台的瞬时斜距，j为虚部符号，π为圆周率，sinc为正弦函数，exp为指数函数。

在一些实施例中，所述根据所述目标的双通道仿真信号和计算得到所述目标所在距离单元的数据矢量s1′(tm,x0)和s′2(tm,x0)，包括：

按照如下公式计算得到所述目标所在距离单元的数据矢量s1′(tm,x0)和s2′(tm,x0)：

当最小时，

当最小时，

其中，|·|表示取绝对值运算。

本申请提供的一种基于机器学习的雷达目标定位方法与现有技术相比具有以下优点：

1)本申请的神经网络构建了运动目标距离脉压域数据与其方位位置的非线性关系，避免了传统的ATI(沿航迹干涉，Along Track Interferometry)方法所面临的相位模糊问题，具有较高的定位精度。

2)本申请直接从距离脉压域数据中提取运动目标方位位置信息，避免了传统ATI方法复杂的方位脉压、径向速度估计等过程，提高了运动目标定位的实时性。

3)本申请直接从距离脉压域数据中提取运动目标方位位置信息，避免了传统ATI方法复杂的方位脉压、径向速度估计等过程，从而解决了以上过程中误差累积导致的运动目标定位精度下降问题。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的基于机器学习的雷达目标定位方法的一个实施例的流程图；

图2是本申请与传统ATI方法在不同径向速度下实现对运动目标定位的定位偏差对比仿真图；

图3是本申请与传统ATI方法在不同径向速度下实现对运动目标定位的所需用时对比仿真图；

图4是本申请的基于机器学习的雷达目标定位方法的又一个实施例的流程图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了本申请的基于机器学习的雷达目标定位方法的一个实施例的流程图100。所述基于机器学习的雷达目标定位方法，包括以下步骤：

步骤101，对利用沿航迹双通道合成孔径雷达SAR接收的目标回波信号进行距离向脉压处理，得到双通道距离脉压域信号矩阵。

在本实施例中，对利用沿航迹双通道合成孔径雷达SAR接收的目标回波信号和进行距离向脉压处理，得到双通道距离脉压域信号矩阵和的方法可以分解成如下步骤：

1)利用沿航迹双通道合成孔径雷达SAR接收目标回波信号和

其中，为快时间，tm为慢时间，σ为目标的散射系数，为距离窗函数，W(tm)为方位窗函数，exp(·)为指数函数，j为虚部符号，π为圆周率，γ为发射线性调频信号的调频率，c为光速，fc为载波中心频率，R1和R2分别表示目标至雷达平台的沿航迹双通道的瞬时斜距：

其中，R0为上述目标到上述雷达平台的运行轨道的最近距离，vr为上述目标的径向速度，x0为上述目标在tm＝0时刻相对于上述雷达平台的方位位置，tm为慢时间，vs为上述雷达平台的运行速度，va为上述目标的方位向速度，d为沿航迹双通道的间距。

2)对接收到的目标回波信号和进行距离向傅立叶变换，得到目标距离向频率域信号X1(fr,tm)和X2(fr,tm)为：

其中，A1(fr,tm)和A2(fr,tm)分别为目标距离向频率域信号X1(fr,tm)和X2(fr,tm)的幅度，fr为距离频率。

3)将目标距离向频率域信号X1(fr,tm)和X2(fr,tm)分别乘以距离向匹配函数Sr(fr)，并通过距离向逆傅里叶变换，得到目标距离脉压域信号矩阵和为：

其中，A为目标距离脉压域的信号幅度，Br为发射线性调频信号带宽，λ为发射载波中心频率对应的波长，π为圆周率，sinc(·)为正弦函数，exp(·)为指数函数，距离向匹配函数Sr(fr)的表示公式为：

步骤102，将上述双通道距离脉压域信号矩阵进行共轭相乘，得到干涉矩阵。

在本实施例中，将上述双通道距离脉压域信号矩阵和进行共轭相乘，得到干涉矩阵公式表示为：

其中，是的共轭矩阵。

步骤103，对上述干涉矩阵进行取相位操作，计算得到干涉相位矩阵。

在本实施例中，对上述干涉矩阵进行取相位操作，计算得到干涉相位矩阵公式表示为：

其中，angle[·]表示提取相位操作，该提取相位操作是现有技术，在此不再赘述。

步骤104，将上述干涉相位矩阵中每个距离单元对应的干涉相位矢量依次输入神经网络，得到对应距离单元的目标运动属性值M和上述目标相对于上述雷达平台的方位位置x0，即得到每个距离单元是否存在运动目标及运动目标的位置。

在本实施中，上述干涉相位矩阵中每一行或每一列表示每个距离单元对应的干涉相位矢量，如果将干涉相位矩阵的某一距离单元对应的干涉相位矢量输入神经网络，则该神经网络将输出该距离单元的目标运动属性值M和上述目标相对于上述雷达平台的方位位置x0，其中，上述目标运动属性值M的取值为0或1，M＝0表示该距离单元存在静止目标，M＝1表示该距离单元存在运动目标。

在本实施例中，将上述干涉相位矩阵中每个距离单元对应的干涉相位矢量依次输入神经网络，得到对应距离单元的目标运动属性值M和上述目标相对于上述雷达平台的方位位置x0，即得到每个距离单元是否存在运动目标及运动目标的位置。

本申请的优点可以通过以下仿真数据处理进一步说明。

1.设置系统参数和目标参数

设置系统参数如表1所示：

表1系统参数

设置运动目标的目标参数的理论值为：径向速度vr分别为[-20:0.5:20]m/s，即以0.5m/s为步长，区间范围为[-20,20]m/s，方位向速度va为0，方位位置x0为100.3m，目标到雷达平台运行轨道的最近距离R0为9000m。

2.数据处理

根据上述设置的系统参数和目标参数生成目标的回波数据，按照流程图100中的步骤101至步骤103生成运动目标的干涉相位矩阵，将上述生成的干涉相位矩阵输入已经训练好的神经网络，输出仿真结果，即运动目标的目标运动属性值和方位位置，并记录该过程所需用时tnet；同时利用传统ATI方法估计运动目标方位位置，并记录该过程所需用时tATI。

现有传统ATI方法定位目标的基本步骤为：

1)利用目标距离脉压域信号矩阵和经过如下方位脉压处理：

其中，ifft[·]表示沿方位向进行快速逆傅里叶变换，fft[·]表示沿方位向进行快速傅里叶变换，表示向量的长度值。

2)将y1′(i,tm；x0)和y2′(i,tm；x0)做干涉处理，根据恒虚警方法检测运动目标所在的方位位置和距离单位，分别记为和I，并估计运动目标干涉相位

当且i＝I时

其中，是y′2(i,tm；x0)的共轭函数。

3)根据下式估计运动目标径向速度：

4)计算运动目标由于径向速度导致的方位偏移量△x：

5)由和△x对运动目标重新定位，得到其方位位置为：

利用本申请方法和传统ATI方法对运动目标定位的定位偏差对比结果如图2所示，计算用时对比结果如图3所示。

由图2的仿真结果可见，传统ATI方法受相位模糊问题影响，导致其定位出现较大偏差；而本申请采用神经网络非线性处理方式，不存在模糊问题，定位精度较高。

由图3的仿真结果可见，传统ATI方法需要经过复杂的方位脉压、径向速度估计、方位偏移量估计等步骤实现运动目标的定位，所需时间较长；而本申请采用离线训练好的神经网络，将运动目标信号作为神经网络的输入，直接输出运动目标方位位置，运算效率较高。

综上，采用本申请处理方式运算量较小，估计精度更高，不存在模糊问题。因此，本申请可以满足高实时性和高定位精度要求。

继续参考图4，示出了基于机器学习的雷达目标定位方法的又一个实施例的流程图400。该流程图400主要描述预先构建和训练神经网络的流程，包括以下步骤：

步骤401，设定目标的目标参数和沿航迹双通道合成孔径雷达SAR的系统参数。

在本实施例中，设定目标的目标参数和沿航迹双通道合成孔径雷达SAR的系统参数。其中，上述目标是指用于训练上述神经网络的目标，该目标可以是运动目标，也可以是静止目标。

在本实施例中，上述目标参数至少包括：x0、R0、vr、va。其中，R0为上述目标到雷达平台运行轨道的最近距离，x0为上述目标在tm＝0时刻相对于上述雷达平台的方位位置，tm为慢时间，vr和va分别为上述目标的径向速度和方位向速度。作为示例，径向速度vr为4m/s，方位向速度va为0，方位位置x0为[0:1:300]m，即以步长为1m，区间范围为[0,300]m。沿航迹双通道合成孔径雷达SAR的系统参数至少包括：载波中心频率、信号带宽、合成孔径时间、采样频率、雷达平台运行速度、沿航迹双通道间距、脉冲重复频率。其中，系统参数的取值可以参照表1。

步骤402，根据目标参数和系统参数，生成上述目标的距离脉压域的双通道仿真信号，并计算目标运动属性值。

在本实施例中，在上述目标参数中，如果上述目标的径向速度vr和方位向速度va同时为零，则设目标运动属性值M＝0，用以表示上述目标是静止目标；否则，设置M＝1，用以表示上述目标是运动目标。

在本实施例中，首先，不考虑由于所述目标的速度导致的距离徙动影响，按照如下公式计算上述目标至上述雷达平台的瞬时斜距R1和R2：

其中，R0为上述目标到上述雷达平台运行轨道的最近距离，vr为上述目标的径向速度，tm为慢时间，x0为上述目标在tm＝0时刻相对于上述雷达平台方位位置，vs为上述雷达平台的运行速度，va为上述目标的方位向速度，d为沿航迹双通道的间距。

然后，按照如下公式计算上述目标的距离脉压域的双通道仿真信号和

其中，A为上述目标距离脉压域的信号幅度，Br为发射线性调频信号带宽，为快时间，c为光速，λ为发射载波中心频率对应的波长，R1和R2为上述目标至雷达平台的瞬时斜距，j为虚部符号，π为圆周率，sinc为正弦函数，exp为指数函数。

步骤403，根据上述目标的双通道仿真信号，计算得到上述目标所在距离单元的数据矢量。

在本实施中，按照如下公式计算得到上述目标所在距离单元的数据矢量s1′(tm,x0)和s′2(tm,x0)：

当最小时，

当最小时，

其中，|·|表示取绝对值运算，数据矢量s1′(tm,x0)是最小时，的取值；数据矢量s2′(tm,x0)是最小时，的取值。

步骤404，将上述目标所在距离单元的数据矢量共轭相乘，计算上述目标的干涉相位矢量。

在本实施例中，首先，将上述目标所在距离单元的数据矢量s1′(tm,x0)和s′2(tm,x0)共轭相乘，计算上述目标的干涉矢量△s′(tm,x0)，公式表示为：

其中，是s′2(tm,x0)的共轭矩阵。

然后，对上述干涉矢量△s′(tm,x0)进行取相位操作，计算得到干涉相位矢量

步骤405，构建神经网络，并初始化训练次数。

在本实施例中，计算上述目标的干涉相位矢量的长度L，设定上述神经网络的输入节点的个数等于L、输出节点的个数等于2、隐含层节点的个数等于其中，表示求平方根运算，floor(·)表示向下取整运算，初始化训练次数T＝0。

步骤406，将上述干涉相位矢量作为神经网络的输入数据，将上述目标运动属性值和目标相对于雷达平台的方位位置作为上述神经网络的标签数据，利用最速下降法完成一次神经网络训练，更新训练次数。

在本实施例中，将上述干涉相位矢量作为上述神经网络的输入数据，将上述目标运动属性值M和上述目标相对于上述雷达平台的方位位置x0作为上述神经网络的标签数据，即将M和x0作为上述神经网络的输出，利用最速下降法完成一次神经网络训练，更新训练次数T＝T+1。

步骤407，判断训练是否结束。

在本实施例中，如果T<L²，则表示训练没有结束，需继续执行步骤408，否则表示对神经网络已经完成训练。

步骤408，更新目标参数。

在本实施例中，响应于在步骤407中判断对神经网络的训练没有结束，则更新上述目标的目标参数(x0,R0,vr,va)，然后，按照步骤402至步骤404重新生成上述目标的目标运动属性值和干涉相位矢量，之后，按照步骤406执行一次神经网络训练，最后，按照步骤407判断对上述神经网络的训练是否结束。

在本实施例中，通过构建和训练神经网络，得到运动目标距离脉压域数据与其方位位置的非线性关系，避免了传统沿航迹干涉ATI方法复杂的方位脉压、径向速度估计等过程及其所面临的相位模糊问题，从而降低了以上过程中误差累积导致的运动目标定位精度下降问题，具有较高的运动目标定位精度。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。